發電廠繼電保護裝置的故障診斷與智能預警研究

【關鍵詞】發電廠；繼電保護；故障診斷；智能預警；支持向量機

引言

電力系統的日趨龐大、復雜使得發電廠的繼電保護裝置越發具有智能化與數字化的特點，運行中顯現出高動態性、多樣性。人工巡檢、整定故障診斷機制導致無法在運行過程中及時發現故障隱患，容易出現反應滯后、誤報的現象。近幾年，相關研究主要從繼電保護故障機理、數據驅動診斷到智能預警開展，但存在的問題源于多源數據集成及工程實際適應性。本文以繼電保護裝置全過程的智能監測為重點，提出多維特征融合與智能預警的方法，以期提升繼電保護裝置運行的可靠性和運行管理水平。

一、發電廠繼電保護裝置運行特性與故障機理分析

（一）繼電保護裝置的運行特性分析

繼電保護裝置作為發電廠電力系統安全運行的關鍵環節，其運行特性主要體現為高靈敏度、快速動作、良好的選擇性與可靠性。裝置通過對電壓、電流、頻率等參數的實時采集與分析，能在毫秒級內準確識別系統故障并發出跳閘指令，切除故障元件，防止事故擴大。同時，其具備完善的自檢和故障記錄功能，可實現運行狀態的實時監控與歷史數據追溯。在抗干擾方面，繼電保護裝置通過濾波、冗余設計及通信隔離技術，有效抵御電磁干擾和誤動作，確保系統穩定可靠運行，是發電廠保障電力系統安全性的核心技術裝備[1]。

（二）故障機理與關鍵影響因素

故障機理受電氣特性與環境因素耦合作用。

（1）電氣量異常。系統短路時非周期分量導致CT飽和，使保護感受到的二次電流失真，距離保護測量圓特性偏移；20 kV系統非全相運行時，負序電流持續時間超10 s會引發轉子表面灼傷。

（2）環境應力。保護裝置長期運行于溫度大于55℃、濕度大于85% RH的環境中，會加速電子元件老化，導致采樣精度下降；振動幅值大于5 g時，內部連接器松動引發數據傳輸異常。

（3）設計缺陷。380 V系統中，零序保護整定值與負荷電流交叉重疊，易受諧波干擾誤動；二次回路中，熱工與保護直流電源并聯（阻抗小于100 Ω）會引發接地故障時的誤報警。

二、多源數據采集與特征構建

（一）數據采集架構設計

為實現繼電保護裝置故障的智能診斷與預警，系統采用“現場端采集—邊緣網關預處理—中心平臺匯聚”的三級結構。在現場層，通過高精度電參量采集模塊（采樣頻率大于等于10 kHz）獲取電壓、電流、頻率、相位等實時工況數據，并集成保護裝置內部故障記錄、事件順序記錄（Sequence of Event，SOE）、告警日志等信息；邊緣層部署工業級邊緣計算網關，具備數據過濾、格式轉換、特征提取等功能，實現數據的局部實時處理與初步融合，降低通信帶寬壓力；平臺層通過安全協議將數據上傳至主站服務器，支持與數據采集與監視控制、電能管理等系統互聯互通，為后續的建模分析與預警算法提供高質量的原始數據支撐。

（二）信號預處理與異常剔除

為提升繼電保護裝置故障診斷的數據質量，系統在邊緣層引入多級信號預處理與異常剔除機制，以適應復雜電氣擾動特征及環境干擾影響，通過滑動窗口濾波抑制隨機噪聲，窗口長度N=11，對500 kV線路電流信號濾波后，信噪比提升15 dB。針對繼電保護過程中常見的暫態干擾，采用Daubechies4小波對電壓信號進行5層小波分解，并使用軟閾值函數進行去噪處理，使20 kV系統電壓畸變率從8%降至2%以下。為識別采集過程中可能存在的突發異常和孤立干擾點，在邊緣計算網關中集成孤立森林算法，計算每個樣本點到其第k近鄰的平均路徑長度，當異常得分函數大于0.8時標記為異常，剔除380 V系統中0.5%的脈沖干擾點[2]，提升后續特征提取與建模算法的準確性，為智能預警模型提供清潔、可靠的數據輸入。

（三）多尺度特征提取

結合所構建的高頻、多源數據采集架構，建立了融合時域、頻域及時頻域的多尺度特征提取體系，以全面捕獲裝置故障的復雜特征。（1）時域特征通過計算電流波形的峭度和偏態系數反映其畸變程度，正常狀態下峭度接近3，短路故障時明顯升高；偏態系數接近0表明電流波形對稱，電流互感器（Current Transformer，CT）飽和或異常負載導致偏態系數顯著偏離零，提示異常運行。（2）頻域特征利用小波包分解提取信號的能量熵，特別是失磁故障時高頻分量能量的增加成為關鍵識別指標；同時，針對機械故障，通過振動信號的分形維數計算，捕捉機械異常引起的復雜信號結構變化。（3）時頻聯合特征通過S變換提取線路電壓時頻矩陣的奇異值，能夠動態反映故障演化過程，短時異常奇異值變化觸發預警機制。（4）監測負序分量變化率以快速響應非全相故障，有效提升故障檢測靈敏度[3]。綜上，構建包含127個電氣量、非電氣量及狀態量的多維度特征集合，為后續智能故障診斷中的特征選擇與建模提供豐富而精準的數據支持。

三、故障診斷模型構建

（一）樣本集構建與標簽定義

基于繼電保護裝置多種典型故障特征（如CT飽和、振動干擾、非全相運行）與多源數據采集與預處理架構，構建了具有豐富標簽和工況覆蓋的故障樣本集。采集數據涵蓋500 kV、220 kV、20 kV、380 V各電壓等級裝置的正常與故障運行狀態，其中正常工況樣本共12 000組，故障樣本8 600組，故障類型包括18類典型單故障（如電壓互感器斷線、采樣回路開路等）及5類復合故障。樣本來源包括現場錄波器（如南瑞RCL931）記錄的實際故障、電氣動模平臺模擬仿真數據以及邊緣節點的SOE事件日志，構成多源互證機制。標簽設計采用四層結構：對象類別、部位定位、故障嚴重度及演化階段（如“CT二次開路—保護誤動—嚴重—失效”），提升模型對故障精準刻畫能力。針對部分稀缺故障樣本，采用SMOTE過采樣生成平衡樣本集，使不同類別樣本分布比控制在1∶1.2∶1.5范圍內，為后續模型訓練奠定均衡數據基礎。

（二）模型訓練與參數調優

針對繼電保護裝置故障多樣性與動態性特點，并結合提取的127維多尺度特征（包含73維電氣量、32維非電氣量、22維狀態量），設計了基于卷積神經網絡（Convolutional Neural Network，CNN）和長短期記憶網絡（Long ShortTerm Memory，LSTM）結構的融合診斷模型。在網絡結構上，輸入層將時序特征與時頻特征融合后輸入3個不同卷積核尺寸（7×1、5×1、3×1）的1DCNN模塊，逐層提取局部特征信息；卷積后接入雙向LSTM結構（256隱藏節點）建模特征隨時間演化的趨勢，尤其捕捉諸如非周期分量延時突變、負序電流持續升高等動態信號行為。為增強對關鍵特征的關注，引入注意力機制對如小波包能量熵、負序電流幅值、分形維數等高貢獻特征賦予權重，從而提升模型的表征能力和故障識別的魯棒性[4]。模型訓練使用交叉熵損失函數與Adam優化器，批次大小128，最大迭代200輪，結合早停策略防止過擬合，確保模型具備良好的泛化能力與時序學習能力。

（三）診斷模型性能評估

為驗證所構建模型在真實繼電保護運行環境下的診斷有效性，采用5折交叉驗證與獨立測試集雙重驗證方式評估模型性能，指標包括精確率、召回率、F1分數和AUC（Area Under the Curve）曲線。實驗結果顯示，在500 kV采樣回路故障識別中，CNNLSTM模型的召回率達到0.963，F1值為0.942，優于傳統支持向量機和隨機森林模型。在處理復合故障樣本（如CT飽和+控制回路失壓）時，診斷準確率達89.5%，AUC值達0.91，體現了模型在復雜工況下的穩定性。進一步開展特征消融實驗表明，移除小波熵和負序電流等高權重特征后，F1值下降約8%，說明特征選擇與構建在提升診斷精度中的關鍵作用。

四、智能預警方法與算法實現

（一）預警指標體系設計

基于識別的繼電保護裝置典型故障機制（如CT飽和、非全相運行、電氣干擾等）及多源特征體系，構建了覆蓋電氣異常、裝置狀態、潛伏失效趨勢的智能預警指標體系。該體系共包含21個指標，分為電氣量指標、狀態量指標與衍生特征指標三大類。其中電氣量指標包括相電流不平衡率、負序電流均值、諧波畸變率、工頻幅度/頻率波動率、小波包高頻能量熵等6項指標，重點監測采樣回路失真、負荷沖擊及電流非周期干擾等風險。狀態量類指標選取了繼電器投撤次數、跳閘執行時間差、信號重復發送次數等5項，結合第四章故障樣本中多類狀態異常數據，用于識別繼電器動作漂移與延遲失效。衍生指標方面，融合第三章所構建的S變換奇異值變差率、振動分形維數、負序電流波動率等高階時頻特征，有效反映早期退化及隱性故障趨勢。每項指標設置三級處置等級（正常、關注、預警），與模型預測結果聯合構成全生命周期的動態預警框架。

（二）基于時間序列預測的預警

為了實現對繼電保護裝置運行狀態的動態追蹤與趨勢預警，結合多維特征時間序列數據，提出基于LSTM神經網絡的時間序列預測方法，輸入T個時間段的多維特征序列，預測輸出下一時段序列值，并通過滑動窗口同步預測數據滑動范圍。以負序電流均值為例，預測公式定義如式（1）所示：

y^t+1=f（yt，yt－1，…，yt－n）（1）

其中，y^t+1為下一個采樣周期的預測值，f為經過訓練的非線性映射函數，yt為負序電流均值。預測誤差超過閾值（如±10%）時，系統即觸發預警標記。時間序列預測模型訓練時選用MSE損失函數，采用Adam優化器（學習率0.001），歷經300輪迭代實現收斂。該方法可對負荷突變、電流諧波增加等動態風險提前發出預警信號。

（三）故障模式識別與預警推送

故障模式識別與預警推送的主要過程如圖1所示。

在預警推送環節，系統綜合采用構建的CNNLSTM故障診斷模型和時間序列預測模型進行雙重驗證，形成融合“診斷-預測”的復合預警框架。當CNNLSTM模型判斷當前故障概率大于等于70%，或時間序列預測誤差持續超過閾值，且關鍵指標（如奇異值變差率）進入預警區間，即觸發三級響應事件。系統通過站控HMI（HumanMachine Interface）界面、手機應用和短信平臺同步推送預警信息，提示運維人員進行快速干預。

同時，為保障故障處理的可追溯性與智能化，系統自動歸檔觸發點的波形圖像、診斷結果、原始數據片段等內容，記錄在“智能預警日志”中，并關聯經驗規則庫自動建議處置措施[5]。例如，若識別結果為“采樣回路異常—CT二次阻抗異?！械妊莼L險”，系統將建議執行接線檢查、阻抗測試或備用保護投切等操作。該機制實現了從特征識別、模型診斷到智能響應與日志管理的閉環預警流程，顯著提升了繼電保護系統對潛在故障的實時響應與自適應處置能力。

五、工程應用驗證與效果評估

（一）應用場景與試點系統概況

在某沿海大型火力發電廠開展的試點工程中，選取500 kV送出線路和20 kV廠用母線保護系統作為應用對象。試點系統包含兩套光纖分相電流差動保護、兩套高阻接地選線保護、三套發變組綜合保護及智能重合閘裝置，配套部署了基于NBIoT的分布式采集終端32臺，邊緣計算節點8臺，以及融合CNNLSTM與時間序列預測的智能診斷服務器。

（二）系統集成與部署流程

系統集成分為四步：第一步，對保護裝置、CT/PT、斷路器操作機構等一次設備的狀態量采集接口進行統一編號和協議適配，實現IEC61850與Modbus雙協議互通；第二步，通過邊緣節點完成特征提取與數據預處理，每秒匯聚超10萬條采樣點；第三步，在云端平臺構建多模型推理引擎，實現診斷模型與預測模型的并行計算；第四步，依托站控層監控主機部署智能告警HMI與應用推送服務，并配置數據冗余與溯源機制。

（三）系統應用成效分析

系統正式投運后，連續運行180天，實現對所有繼電保護運行狀態的實時監測和告警，具體如表1所示。

實際應用中，20 kV發變組保護在2024年12月15日5時發生異常，CNNLSTM診斷模型識別出“差動保護判據漂移—演化高風險”，概率為0.83，S變換奇異值增量為0.25，系統報二級預警，經巡檢發現CT二次側回路接觸電阻增加，及時消缺，避免誤動跳機。

結語

文章針對發電廠繼電保護裝置的智能化運維需求，展開多源數據采集、時間域與頻域特征構建、深度學習診斷算法以及智能化故障預警方法的研究，建立CNNLSTM聯合時間序列預測的保護系統故障識別與預警模型。該模型在實際發電廠，表明提出的方法能夠提高故障檢測正確率和預警提前量，減少誤報情況，實現保護系統從被動響應到主動感知的轉變。未來的研究將聚焦于豐富多源模態數據結合的智能決策技術，進一步提升電力系統的運行可靠性和智能化水平。

參考文獻：

[1] 劉勛宇.大數據在繼電保護裝置性能分析與優化中的應用[J].集成電路應用，2025，42（04）：236237.

[2] 王榮印，彭先.基于大數據的繼電保護裝置故障診斷技術研究[J].電氣技術與經濟，2025（01）：391393.

[3] 劉庚源.新型電力系統繼電保護中自動化技術的應用[J].電工技術，2024（S2）：660661+664.

[4] 武凱.發電廠繼電保護裝置的故障診斷與智能預警研究[J].電力設備管理，2024（20）：8991.

[5] 凌峰.繼電保護自動化系統的安全技術應用[J].電子技術，2023，52（09）：180181.